基于双样本经验似然法的气候变化转折点检测及其在气候学中的应用

来自拉脱维亚的研究人员针对弱依赖性时间序列数据中的均值漂移检测问题，创新性地提出双样本分块经验似然法（two-sample blockwise empirical likelihood）。该方法通过构建调整后的p值(p-value)可视化图谱，不仅能判定统计显著性，还可精准定位转折点(change-point)。仿真实验证明该法在弱依赖观测数据中优于经典检测方法，相关算法已集成至R包《EL》实现工程化应用。

　　

时间序列分析中的转折点检测(change-point detection)旨在识别数据特征发生突变的时点。针对弱依赖性数据(weakly dependent data)的均值偏移问题，研究者开发了创新的双样本分块经验似然法(two-sample blockwise empirical likelihood)。该方法突破传统统计检验对数据独立性的严苛假设，通过构建两样本均值差异的统计模型，生成兼具统计学意义和空间定位功能的调整后p值(p-value)图谱。仿真研究表明，相较于经典检测方法，该技术对弱依赖性观测数据展现出显著优势。以拉脱维亚历史风速数据为范例，验证了方法在真实气候数据集中的实用价值。相关算法已通过R语言工具包《EL》实现工程化应用，为复杂依存关系下的时序分析提供新范式。